Python Beautiful Soup+requests实现爬虫

Python 爬虫库大概有 标准库 urllib 或第三方库 requests,scrapy,BeautifulSoup 用于获取数据网站较多。scrapy其实是框架形式，适用于大规模爬取，requests就是通过http的post，get方式实现爬虫。Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库
本次介绍Beautiful Soup+requests实现爬虫，这方法结合最简单容易上手。requests主要用get获取html信息，Beautiful Soup对Html内容进行筛选，获取自己想要的内容。
Beautiful Soup安装：
pip install beautifulsoup4
安装完后还需安装
pip install lxml
pip install html5lib

requests安装
pip install requests

requests获取网站Html内容

import requestsfrom bs4 import BeautifulSoupr = requests.get(url='https://www.baidu.com/')    # 最基本的GET请求print(r.status_code)    # 获取返回状态r.encoding = 'utf-8' #没有的话，中文会显示乱码print(r.text)

使用BeautifulSoup解析这段代码

soup = BeautifulSoup(r.text,"html.parser")print(soup.prettify())

运行结果：

这个涉及到编码的问题了。网上找了很多资料都无法解决。最后发现，这个问题是print的问题。
在代码中加入，即可解决

import sysimport iosys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

如果要将soup.prettify()写入txt

f =open("ttt.txt","w",encoding='utf-8')f.write(soup.prettify())

完整代码

from bs4 import BeautifulSoupimport requestsimport sysimport iosys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')page = requests.get('https://www.baidu.com/')page.encoding = "utf-8"soup = BeautifulSoup(page.text,"html.parser")print(soup.prettify())f =open("ttt.txt","w",encoding='utf-8')f.write(soup.prettify())

BeautifulSoup官网文档
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

---

欢迎加入学习交流QQ群：657341423